Searching for functional regions (coding or non-coding) in mammalian genomes

1. Searching for functional regions (coding or non-coding) in mammalian genomes • Human genome sequence: • 1300 Mb (38 %) available in GenBank (November 22 1999) • Draft sequence 90% complete in 2000 • Finished sequence in 2003 • Experimental characterization of all human genes. How many years ? • Organization of the human genome • Prediction of functional elements by computer analysis of genomic sequences • State of the art • Success and pitfalls of different approaches • Prediction of function by homology • Orthology/paralogy

2. Functional elements in the human genome Untranslated RNAs: Xist, H19, His-1, bic, etc. Regulatory elements: promoters, enhancers, etc. Repeated sequences (SINES, LINES, HERV, etc.) : 40% of the human genome

3. Structure of human protein genes • 1396 complete human genes (exons + introns) from GenBank • Average size (25%, 75%) • Gene 15 kb ± 23 kb (4, 16) (10% > 35 kb) • CDS 1300 nt ± 1200 (600, 1500) • Exon (coding) 200 nt ± 180 (110, 200) • Intron 1800 nt ± 3000 (500, 2000) • 5'UTR 210 nt (Pesole et al. 1999) • 3'UTR 740 nt (Pesole et al. 1999) • Intron/exon • Number of introns: 6 ±3 introns / kb CDS • Introns / (introns + CDS): 80% • 5' introns in 15% of genes (more ?), 3 ’introns very rare • Alternative splicing in more than 30% of human genes (Hanke et al. 1999)

4. Structure of human protein genes • GenBank: bias towards short genes • 1396 complete human genes (exons + introns)

5. Structure of human protein genes • GenBank: bias towards short genes • 1396 complete human genes (exons + introns) • 9268 complete human mRNA

6. Isochore organization of the human genome • Insertion of repeated sequences (A. Smit 1996) • Recombination frequency (Eyre-Walker 1993) • Chromosome banding (Saccone, 1993) • Replication timing (Bernardi, 1998) • Gene density (Mouchiroud, 1991) • Gene expression ?? -> No • Gene structure (Duret, 1995)

7. Isochores and insertion of repeat sequences 4419 human genomic sequences > 50 kb

8. Isochores and gene density MHC locus (3.6 Mb) (The MHC sequencing consortium 1999) Class I, class II (H1-H2 isochores): 20 genes/Mb, many pseudogenes Class III (H3 isochore): 84 genes/Mb, no pseudogene Class II boundaries correlate with switching of replication timing

9. Isochores and introns length Duret, Mouchiroud and Gautier, 1995 • 760 complete human genes • L1L2: intron G+C content < 46% • H1H2: intron G+C content 46-54% • H3: intron G+C content >54%

10. Prediction of functional elements (1) • Ab initio methods • Ruled-based or statistical methods • e.g.: protein genes prediction, promoter prediction, … • Very useful but ... • Limits in sensibility/specificity • No method available for many functional elements (non-coding RNA genes, regulatory elements, …) • Large scale transcriptome projects: ESTs, full-length cDNA • Identification of transcribed genes (protein or non-coding RNA) • Information on alternative splicing, polyadenylation (Hanke et al. 1999, Gautheret et al. 1998), expression pattern • Very useful but ... • Problems with genes expressed at low level, narrow tissue distribution, stage-specific expression, … • Limited tissue sampling • Artifacts in ESTs (introns, partially matured RNA, …) • Limited to polyadenylated RNA

11. Prediction of functional elements (2) • Comparative sequence analysis (phylogenetic footprinting) • Function => selective pressure Corollary • Sequence conservation = selective pressure = function provided the number of aligned homologous sequences represents enough evolutionary time for the accumulation of mutations at the less constrained (presumably selectively neutral) base positions. • Evolutionary rate in non-functional DNA: ~ 0.3% / My (± 0.069) Man/Mouse: ~ 80 Myrs 46-58% identity Mammals/Birds: ~ 300 Myr 26-28% identity Random sequences 25% identity

12. Analyse comparative des gènes de b-actine de l'homme et de la carpe

13. Phylogenetic footprinting • Advantages • Works for all kinds of functional elements (transcribed or not, coding or not) as far as the information is in the primary sequence • Does not require any a priori knowledge of the functional elements • Limits • Absence of evolutionary conservation does not mean absence of function • No efficient method to detect unknown conserved secondary structure in RNA • Function, but what function ? • Depends on the sequencing status of other genomes • Human, mouse, fugu, C. elegans, drosophila, yeast, A. thaliana • Number of sequences to compare : > 200 Myrs of evolution • Mammals/birds: 310 Myrs • Human + mouse + bovine : 240 Myrs

14. Prédiction de fonction par homologie ? • Similarité entre séquences  homologie • Homologie structure conservée • Structure conservée  fonction conservée • Oui, mais … • Fonction: concept flou • activité biochimique identique ? e.g. même ligand pour un récepteur, même substrat pour une enzyme, même gènes cibles pour un facteur de transcription. • distribution tissulaire ? (isoformes tissu-spécifiques). • compartimentalisation cellulaire: cytoplasme, mitochondrie, etc. • Protéines homologues de fonction différentes • Protéines homologues ligands (activateur/répresseur) d ’un même récepteur • Recrutement pour une fonction totalement différente: t -cristalline / a-énolase • Orthologie/paralogie • Évolution modulaire

15. Prédiction de fonction par homologie ? MZEORFG: 1 ILNSPDRACNLAKQAFDEAISELDSLGEESYKDSTLIMQLLXDNLTLWTSDTNEDGGDE 59 I N+P++AC LAKQAFD+AI+ELD+L E+SYKDSTLIMQLL DNLTLWTSD ++ E BOV1433P: 186 IQNAPEQACLLAKQAFDDAIAELDTLNEDSYKDSTLIMQLLRDNLTLWTSDQQDEEAGE 244 Score = 87.4 bits (213), Expect = 1e-17 Identities = 41/59 (69%), Positives = 50/59 (84%) LOCUS BOV1433P 1696 bp mRNA MAM 26-APR-1993 DEFINITION Bovine brain-specific 14-3-3 protein eta chain mRNA, complete cds. ACCESSION J03868 LOCUS MZEORFG 187 bp mRNA PLN 31-MAY-1994 DEFINITION Zea mays putative brain specific 14-3-3 protein, tau protein homolog mRNA, partial cds.

16. Orthologie/paralogie

17. Diversification fonctionnelle par duplication de gènes au cours de l'évolution des métazoaires • Iwabe et al. MBE 13:483-493 (1996): • Analyse phylogénétique de 25 familles de gènes • isoformes compartimentalisées: duplications avant la divergence animaux/champignons • paralogues avec activités différentes: duplication avant la divergence vertébrés/arthropode • isoformes tissu-spécifiques: duplication avant la divergence poissons/tétrapodes

18. Approche phylogénétique pour la prédiction de fonction

19. Orthologie/paralogie: abus de langage • Fitch (1970) Syst. Zool. 19:99-113: "Where the homology is the result of gene duplication [...] the genes should be called paralogous. Where the homology is the result of speciation [...] the genes should be called orthologous." • Koonin (1996) TIG, PNAS,Curr. Opin. Genet. Dev. "By definition, orthologs are genes that are related by vertical descent from a common ancestor and encode proteins with the same function in different species. By contrast, paralogs are homologous genes that have evolved by duplication and code for proteins with similar, but not identical functions". • Corrigé dans Science 1997

20. Evolution modulaire

21. Prédiction de régions régulatrices • Méthodes ab initio • Prédiction de promoteurs • Îlots CpG • Approche comparative

22. Prédiction de promoteurs eucaryotes • Combinaison de sites de fixation de facteur de transcription (ordre, orientation, distance) • Motifs courts, dégénérés • Difficile de distinguer les vrais sites des faux positifs: • Motif à 4 bases: ≈1/256 pb (1/128 pb sur les deux brins) • Boîtes TATA, CAAT , GC: absents dans beaucoup de promoteurs • Banques de données de sites de fixation de facteurs de transcription (TRANSFAC), de promoteurs caractérisés expérimentalement (EPD) • PromoterScan (Prestridge 1995): Mesure de la densité en sites potentiels de fixation de facteurs de transcription de long de la séquence (pondération en fonction de la fréquence des sites dans ou en dehors des vrais promoteurs)

23. Prédiction de promoteurs: sensibilité, spécificité • Sensibilité: fraction des promoteurs qui sont trouvés par le logiciel • PromoterScan: sensibilité = 70% (promoteurs à boîte TATA) • Spécificité: fraction des vrais promoteurs parmi ceux qui ont été prédits • PromoterScan: spécificité = 20% • Un faux positif / 10 kb • Génome humain: ≈100 000 gènes, ≈1 promoteur/30 kb

24. Prédiction de promoteurs eucaryotes: recherches en cours • Prise en compte de l'orientation relative et des distances entre sites de fixation de facteurs de transcription • COMPEL (Kolchanov 1998): banque de données d'éléments composites • FastM : recherche dans une séquence génomique d'une combinaison de deux sites de fixation de facteurs de transcription à une distance définie l'un de l'autre • Recherche de corrélations entre sites • Prospector (Werner 2000) • Sensibilité: 50% • Spécificité: 80% http://www.gsf.de/biodv/index.html • Combinaison recherche ab initio / approche comparative: recherche de sites potentiels parmi les régions conservées

25. Îlots CpG  ou • Génome de vertébrés : • méthylation des C dans les dinucléotides 5 ’-CG-3 ’(CpG) • Me-C fortement mutable -> T 5 ’-CG- 3 ’ 5 ’-TG-3 ’ 5 ’-CA-3 ’ 3 ’-GC- 5 ’ 3 ’-AC-5 ’ 3 ’-GT-5 ’ • Génome des vertébrés: globalement dépourvu en CpG (excès de TG, CA) • Certaines régions (200 nt à plusieurs kb) échappent à la méthylation • Pas de déplétion en CpG: CpGo/e proche de 1 • Riche en G+C • Îlot CpG: Longueur > 500 nt CpGo/e > 0.6 G+C > 50%

26. Îlots CpG: associé aux régions promotrices ? • Bird (1986), Gardiner-Garden (1987) Larsen (1992) ref • 40% des gènes tissu-spécifiques possèdent un îlot CpG en 5 ’ • 100% des gènes ‘ housekeeping ’ possèdent un îlot CpG en 5 ’ • Rechercher des îlots CpG pour prédire des régions promotrices ? • Sensibilité: 40-100% • Spécificité ?? (Quelle fraction des îlots CpG correspond effectivement à des régions promotrices ?) • Ponger (1999): comparaison des îlot CpG qui recouvre ou non le site d ’initiation de la transcription

27. Fréquence des gènes humains avec un îlot CpG recouvrant le site d ’initiation de la transcription • 800 gènes humains avec promoteur décrit • Mesure de la distribution tissulaire à l ’aide d ’EST (20 tissus)

28. Comparaison des îlots CpG recouvrant ou non le site d ’initiation de la transcription • 272 îlots start CpG recouvrant le site d ’initiation de la transcription • 1078 îlots CpG en dehors d ’un promoteur connu

29. Recherche de régions régulatrices par analyse comparative (empreintes phylogénétiques) • Goodman et al. 1988: régulation de l’expression des gènes du cluster b-globine au cours du développement • Alignement de séquences orthologues de 6 mammifères (> 270 Ma d’évolution) • 13 empreintes phylogénétiques: ≥ 6 nt, conservation 100% • Analyse par retard de bande sur gel: • 12/13 (92%) correspondent à des sites de fixation de protéines • 1996: 35 empreintes phylogénétiques avec protéines fixatrices identifiées • Enhancers de gènes HOX (Fugu/souris) (Aparicio et al. 1995) • enhancer TCR a (homme/souris) (Luo, 1998) • promoteur COX5B (11 primates) (Bachman, 1996) • promoteur uPAR (homme/souris) (Soravia, 1995)

30. Large scale phylogenetic footprinting Non-coding sequences : 325,247 sequences 145 Mb everything except protein-coding regions and structural RNA genes (rRNA, tRNA, snRNA, scRNA) Introns, 5' and 3' untranslated regions, intergenic sequences Filtering of microsatellite repeats and cloning vectors: XBLAST Similarity search: BLASTN + LFASTA Vertebrates, insects, nematode

31. Metazoan Genome Projects

32. Sequence Similarities 1- Identification of new genes protein-genes, RNA-genes: intronicsnoRNA genes 2- Retroviral elements, retrotransposons 3- Low complexity sequences: GC-rich, AT-rich, cryptic microsatellites 4- Artefacts: annotation errors, sample contamination (sponge insulin, ascidian RNA, chicken TGFB1) 5- 326 highly conserved regions (HCRs) - do not code for proteins - do not correspond to any known structural RNA

33. 326 Highly Conserved Regions (HCRs) • > 70% identity over 50 to 2000 nt after more than 300 Myrs • Unique sequences • Generally specific of only one gene • Longest HCR: 84% identity over 1930 nt after 300 Myrs 3’UTR deltaEF1 transcription factor • Oldest HCRs: 500 to 600 Myrs • No HCR between vertebrates and insects or nematode

34. Oldest HCRs

35. Conservation pattern in 3’UTRs

36. Distribution of HCRs within genes

37. HCRs and multigenic families

38. Function of 3’HCRs: mRNA stability, translation

39. Function of 3’HCRs:mRNA subcellular localization Myosin heavy chain, c-myc, vimentin, b-actin

40. ACUTS: compilation of Ancient Conserved UnTranslated Sequences Annotated multiple alignments: ˘ age of the conserved element ˘ gene function ˘ function of the conserved element ˘ bibliographic references (MEDLINE) ˘ sequences available from different species (EMBL) ˘ description of sequence features http://pbil.univ-lyon1.fr/acuts/ACUTS.html

41. Comparaison des régions non-codantes de 77 gènes orthologues homme/souris (Jareborg et al. 1999) Fraction des régions non-codantes conservées entre homme et souris

42. Prédiction ab initio de gènes eucaryotes • Prédiction d ’exons codants • Recherche de phases ouvertes de lecture (ORF: open reading frame) • Taille moyenne des exons: ± 150 nt • Statistiques sur les nucléotides, usage des codons • Périodicité d'ordre 3, fréquence d ’hexamères • Modèles de Markov cachés • Signaux d ’épissage • Profils, modèles de Markov cachés, réseau neuronaux • Construction d ’un modèle de gène protéique • Combinaison d ’exons de phases compatibles (pondération en fonction des scores de chaque exon potentiel) • Recherche de limites de gènes • Exons terminaux (5 ’, 3 ’) • Promoteur • Signal de polyadénylation • Epissage alternatif ?? Exons non codants ?? Gène transcrits non codants (Xist, …) ??

43. Prédiction de gènes eucaryotes: qualité de la prédiction • Comparaison des différents logiciels: sensibilité/spécificité • Sn: sensibilité Sp: spécificité par exon (sn_e, sp_e) ou par nucéotide (sn_e, sp_e) • Jeu de données Burset-Guigo (1996): 570 gènes de vertébrés • Jeu de données Salamov et al (1998): 660 gènes humains

44. Prédiction de gènes eucaryotes: qualité de la prédiction • Comparaison des différents logiciels: sensibilité/spécificité • Sn: sensibilité Sp: spécificité par exon (sn_e, sp_e) ou par nucéotide (sn_e, sp_e) • Locus BRCA2 (1.4 Mb, chrom. 13q) (Sanger Centre 1999): région "difficile" pour les logiciels de prédiction. 159 exons

45. Prédiction de gènes protéiques complets • C. elegans: la plupart des ‘ gènes ’ annotés sont seulement des prédictions • Peut-on utiliser ces méthodes pour annoter les séquences génomique humaines ? • + les faux positifs !

46. Un peu d ’optimisme • Fraction de la longueur des gènes correctement prédits: 70-80% • Probabilité que deux exons potentiels consécutifs soient réels (et donc positifs en RT-PCR) 0.5

47. Prédiction de gènes eucaryotes (suite) • Utilisation des EST • Alignement séquence génomique / cDNA (EST): SIM4 (alignement de séquences nucléiques très fortement similaires avec ‘ épissage ’) • Approche comparative • Comparaison d ’une séquence génomique avec des gènes déjà caractérisés dans d ’autres espèces (WISE2: alignement ADN/protéine avec épissage) • Comparaison de séquences génomiques (non-annotées) homologues • Locus mnd2 (homme souris) (Jang et al. 1999): >80 kb • Prédiction d ’exons internes basée sur la conservation de séquence ORF ≥ 80 nt Séquence protéique ≥ 70% similarité Séquence ADN ≥50% identité GT AG conservés => détection de tous les exons internes du gène D6Mm5e • Généralisation de la méthode (Guigo 2000). Sensibilité ? Spécificité ?

48. Stratégies de recherche de similarités: ADN ou protéine ? • Limites des recherches de similarité au niveau ADN • Alphabet réduit (4 lettres) • Dégénérescence du code génétique • Mais … tout n'est pas codant • régions régulatrices, ARN structuraux, ... Deux brins!

49. Traitement du bruit de fond: filtres et masques • Séquences de faible complexité (protéines, ADN): 40% des protéines ADN: microsatellites 15% du total des résidus exemple: CACACACACACACACACA Ala, Gly, Pro, Ser, Glu, Gln logiciels de filtrage: SEG, XNU, DUST RSPPR--KPQGPPQQEGNNPQGPPPPAGGNPQQPQAPPAGQPQGPP . ::: : :: : : ::::: : :: :.: :: : ::::: QGPPRPGNQQCPPPQGG--PQGPPRP--GNQQRP--PPQGGPQGPP (filtré par défaut par BLAST) • Séquences abondantes 3000 Immunoglobulines dans GenBank 106 Alu, 105 L1 dans le génome humain logiciels de masquage: XBLAST, RepeatMasker

50. Quelle approche adopter ? • Recherche rapide de similarité dans les banques • algorithme (BLAST, FASTA) • matrices de substitution, pondération des gaps • stratégie de recherche (nucléique, protéique) • traitement du bruit de fond • complétude des banques de données, répéter la recherche régulièrement • Comparaison d'une séquence génomique à un cDNA (EST) • BLASTN < LFASTA << SIM4 (épissage) • Comparaison d'une séquence génomique à une protéine • BLASTX, FASTX << WISE2 (épissage) • Comparaison de deux séquences génomiques • ADN: BLASTN < LFASTA << Smith-Waterman (SIM, LALIGN) • Protéique: TBLASTX